代码智能体数据井喷，具身智能赛道数据标准提升

详情：Allen AI 于 2026 年 2 月 10-11 日集中发布了 6 个 Sera 系列数据集（Sera-4.5A-Django-T1/T2、Sera-4.5A-Sympy-T1/T2、Sera-4.5A-Sphinx-T1/T2），涵盖 Django、Sympy、Sphinx 三大开源项目，共计超过 13.6 万条代码修改轨迹。这些数据集使用 GLM-4.5-Air 作为教师模型生成，采用 SVG（Synthetic Verification-Guided）方法，包含完整的函数级代码修改轨迹、patch 和验证结果。数据质量控制采用两轮验证机制：第一轮（T1）recall 不限，第二轮（T2）recall 固定在 0.5。

详情：NVIDIA 于 2026 年 2 月 10 日发布 PhysicalAI-Robotics-Kitchen-Sim-Demos 数据集，包含 600 小时人类远程操控演示数据，覆盖 316 个不同任务，共 5.5 万条轨迹。数据采用 Franka Panda 机器人 + Omron 移动底座采集，遵循 LeRobot 格式，提供完整的动作、状态、传感器数据。同时发布的 SAGE-10k 数据集（2025-12-31）提供 1 万个交互式室内场景，覆盖 50 种房间类型。

详情：Meta 于 2026 年 1 月 9 日发布 facebook/EgoAVU_data 数据集，聚焦第一人称视角的音视频联合理解。该数据集采用可扩展的自动化数据引擎生成，包含问答对、音频和视频多模态标注，专为训练理解人类日常活动的 AI 模型设计。

详情：2026 年 2 月 11 日发表的 DataChef 论文提出使用强化学习优化 LLM 训练数据配方（data recipe）的方法。该方法通过 RL 算法自动搜索不同数据源的最优混合比例，显著提升模型性能。同时，同日发表的另一篇论文《Data Repetition Beats Data Scaling in Long-CoT Supervised Fine-Tuning》发现，在长思维链微调中，重复使用高质量数据比单纯扩大数据规模更有效。

详情：智谱 AI（Z.ai）在 2026 年 2 月发布 GLM-5 模型，参数量达到 744B，成为中国最大的开源大模型。Twitter 和社交媒体上关于 GLM-5 的讨论热度极高，多个技术社区转发其技术细节。